Hum Brain Mapp. 2010 mars;31(3):353-64. doi: 10.1002/hbm.20870.
Raji CA , Ho AJ , Parikshak NN , Becker JT , Lopez OL , Kuller LH , Hua X , Leow AD , Toga AW , Thompson PM.
Matériau
Département de pathologie, Université de Pittsburgh, Pennsylvanie, États-Unis.
Abstract
L'obésité est associée à un risque accru de problèmes cardiovasculaires, notamment le diabète, l'hypertension et les accidents vasculaires cérébraux. Ces affections cardiovasculaires augmentent le risque de déclin cognitif et de démence, mais on ignore si ces facteurs, en particulier l'obésité et le diabète de type 2, sont associés à des profils spécifiques d'atrophie cérébrale. Nous avons utilisé la morphométrie basée sur les tenseurs (TBM) pour examiner les différences de volume de la substance grise (SG) et de la substance blanche (SB) chez 94 sujets âgés restés cognitivement normaux pendant au moins 5 ans après leur examen. Des analyses bivariées , avec correction pour comparaisons multiples, ont fortement corrélé l'indice de masse corporelle (IMC), le taux d'insuline plasmatique à jeun (IPJ) et le diabète de type 2 (DT2) à l'atrophie des régions frontales, temporales et sous-corticales du cerveau. Un modèle de régression multiple , également avec correction pour comparaisons multiples, a révélé que l'IMC restait négativement corrélé à l'atrophie cérébrale (FDR < 5 %), tandis que le DT2 et l'IPJ n'étaient plus associés à aucune différence de volume. Dans un modèle d'analyse de covariance (ANCOVA) contrôlant l'âge, le sexe et l'origine ethnique, les sujets obèses présentant un IMC élevé (IMC > 30) ont montré une atrophie des lobes frontaux, du gyrus cingulaire antérieur, de l'hippocampe et du thalamus, comparativement aux individus ayant un IMC normal (18.5–25). Les sujets en surpoids (IMC : 25–30) présentaient une atrophie des noyaux gris centraux et de la corona radiata de la substance blanche. Le volume cérébral total ne différait pas entre les personnes en surpoids et obèses. Un indice de masse corporelle plus élevé était associé à des volumes cérébraux plus faibles chez les sujets âgés en surpoids et obèses. L'obésité est donc associée à des déficits de volume cérébral détectables chez les sujets âgés cognitivement normaux.
Introduction
L’obésité et le diabète de type 2 (DT2), également appelé diabète non insulinodépendant, sont deux affections étroitement liées qui ont atteint des proportions épidémiques. On compte actuellement plus d’un milliard de personnes en surpoids et 300 millions de personnes obèses dans le monde [ Organisation mondiale de la Santé, 2009 ]. Les personnes âgées ne sont pas épargnées : 40 % des hommes et 45 % des femmes de plus de 70 ans souffrent d’obésité ou de DT2 [ Ceska, 2007 ], ce qui accroît leur risque de maladies cardiovasculaires et d’accidents vasculaires cérébraux [ Mankovsky et Ziegler, 2004 ]. L’obésité est également un facteur de risque de déclin cognitif et de démence, notamment de la maladie d’Alzheimer [ Elias et al., 2005 ; Wolf et al., 2007 ]. Ce risque accru pourrait être lié au DT2, qui est associé à une probabilité plus élevée de développer la maladie d’Alzheimer [ Irie et al., 2008 ; Leibson et al., 1997 ].
Des études antérieures analysant les données de l'étude CHS-CS (Cardiovascular Health Study-Cognition Study) indiquent que les maladies cérébrovasculaires, en plus de l'âge, de l'origine ethnique et du niveau d'éducation, sont associées à la cognition et au développement d'un état de risque intermédiaire de la maladie d'Alzheimer, appelé trouble cognitif léger (TCL) [ Lopez et al., 2003a ]. Les facteurs de risque cardiovasculaires du TCL comprennent les lésions de la substance blanche, les infarctus, l'hypertension, le diabète et les maladies cardiaques [ Lopez et al., 2003a ]. De plus, les patients atteints de la maladie d'Alzheimer présentent des taux anormalement élevés d'atrophie cérébrale [ Apostolova et al., 2006 ; Callen et al., 2001 ; Leow et al., 2009 ]. Par ailleurs, l'atrophie cérébrale peut être détectable par IRM avant même que le trouble cognitif ne soit cliniquement évident, comme l'a démontré une étude montrant une atrophie plus importante chez les porteurs asymptomatiques de l'allèle APOE4 que chez les non-porteurs [ Morra et al., 2009 ].
L'obésité et le diabète de type 2 pourraient amplifier le risque de démence en aggravant l'atrophie cérébrale, même chez les personnes aux fonctions cognitives intactes, augmentant ainsi leur vulnérabilité à une future neuropathologie de type Alzheimer. Des études antérieures, menées principalement chez des sujets de moins de 65 ans, suggèrent qu'une augmentation de la masse grasse corporelle (adiposité) est corrélée à une atrophie du cortex temporal, des lobes frontaux, du putamen, du noyau caudé, du précunéus, du thalamus et de la substance blanche [ Gustafson et al., 2004 ; Pannacciulli et al., 2006 ; Taki et al., 2008 ]. On ignore, mais il est très intéressant de déterminer, si une masse grasse élevée, mesurée par l'IMC, est associée à des différences de structure cérébrale chez les personnes âgées aux fonctions cognitives normales.
Le diabète de type 2 (DT2) est également associé à une atrophie cérébrale chez les personnes âgées, notamment au niveau des lobes temporaux et de l'hippocampe, ainsi qu'à une dilatation accrue des ventricules latéraux [ Korf et al., 2007 ]. L'explication la plus courante de ces effets est la présence de lésions de la substance blanche [ Claus et al., 1996 ] et d'accidents vasculaires cérébraux [ Mankovsky et Ziegler, 2004 ]. L'atrophie cérébrale associée au DT2 pourrait être secondaire à l'augmentation des taux d'insuline observée dans cette maladie ; une insulinémie à jeun élevée a été associée à des déficits cognitifs chez les sujets âgés [ Yaffe et al., 2004 ] et favorise le dépôt de plaques amyloïdes, augmentant ainsi le risque de maladie d'Alzheimer [ Watson et al., 2003 ]. À ce jour, aucune autre étude n'a établi de corrélation entre l'insulinémie à jeun et la structure cérébrale, même en présence de DT2. Un biais potentiel important dans ces études réside dans la possibilité de modifications neurodégénératives pré-symptomatiques chez les cohortes de personnes âgées étudiées. Étant donné que l'atrophie cérébrale et la pathologie de la MA peuvent exister des années avant l'apparition des symptômes cliniques [ Braskie et al., 2008 ; DeKosky et al., 2006 ], des investigations sur l'IMC, le DM2 et l'atrophie cérébrale devraient être effectuées chez les individus pour lesquels une MA naissante peut être exclue autant que possible.
L'obésité et DM2 peuvent amplifier le risque de MA en favorisant l'atrophie cérébrale et peuvent donc représenter des facteurs de risque potentiellement critiques pour le déclin cognitif et la démence. Dans la mesure où ces affections peuvent être évitées et traitées dans une certaine mesure, il est important d'identifier les structures cérébrales spécifiquement touchées chez les personnes âgées non atteintes de démence, à la fois pour comprendre les systèmes affectés et pour évaluer le succès des interventions visant à protéger ces zones.
Nous avons appliqué la morphométrie basée sur les tenseurs (TBM), une méthode relativement récente [ Hua et al., 2008 ; Thompson et al., 2000 ], afin de générer des cartes 3D de l'atrophie cérébrale chez un groupe de sujets âgés non déments recrutés dans le cadre de l'étude CHS-CS (Cardiovascular Health Study-Cognition Study), une cohorte communautaire d'individus pour lesquels il existe de nombreuses données cliniques, cognitives et d'imagerie [ Lopez et al., 2004 ]. À partir de données cognitives longitudinales, nous avons sélectionné 94 sujets restés cognitivement normaux pendant au moins 5 ans après leur IRM initiale, minimisant ainsi les effets confondants d'une neurodégénérescence préclinique précoce. Nous avons effectué une régression de l'IMC (n=94), de l'indice de performance fonctionnelle (IPF) (n=64) et du diagnostic de DM2 (n=94) sur les mesures de différence de volume de substance grise et de substance blanche dérivées de l'imagerie, afin de déterminer si ces variables étaient associées à l'atrophie cérébrale. Nous avons utilisé des modèles de corrélation bivariée pour une analyse exploratoire initiale, puis des modèles de régression multiple pour prendre en compte les facteurs de confusion potentiels tels que le sexe et l'origine ethnique. Nous avons également comparé la structure cérébrale de sujets de poids normal (IMC : 18.5–25), en surpoids (IMC : 25–30) et obèses (IMC ≥ 30) afin d'évaluer si ces seuils cliniques définissant une adiposité plus élevée sont eux-mêmes associés à une atrophie cérébrale.
Matériels et méthodes
Sujets
L’étude CHS-CS (Cardiovascular Health Study Cognition Study) fait suite à l’étude CHS sur la démence, lancée en 2002-2003 afin de déterminer l’incidence de la démence et des troubles cognitifs légers (TCL) au sein d’une population de sujets sains et de sujets atteints de TCL, identifiés en 1998-99 à Pittsburgh [ Lopez et al., 2003b ]. Sur les 927 participants examinés en 1998-99, 532 sujets sains et sujets atteints de TCL étaient disponibles pour l’étude de 2002-2003. Tous les sujets ont subi des examens neurologiques et neuropsychologiques complets en 1998-03 et 2002-99, ainsi qu’une IRM cérébrale en 1992-03. Parmi eux, 295 ont bénéficié d’une IRM cérébrale volumétrique 3D en 1998-99. Parmi ce dernier échantillon, nous avons sélectionné 94 sujets présentant des fonctions cognitives normales en 1997-1998 et 2002-94. L'IMC (n = 94) et l'insulinémie à jeun (n = 64) ont été mesurés selon les méthodes standard de l'étude CHS [ Fried et al., 1991 ; McNeill et al., 2006 ]. Toutes les analyses statistiques non basées sur l'imagerie ont été réalisées à l'aide du logiciel SPSS (version 16.0, SPSS Inc., Chicago, IL).
Diabète sucré de type II (DM2)
La classification du diabète de type 2 (DT2) a été déterminée à partir de données médicales recueillies annuellement et est décrite plus en détail dans une publication antérieure [ Brach et al., 2008 ]. En résumé, les participants à l'étude CHS ont été classés comme atteints de DT2 s'ils répondaient à l'un des critères suivants : (i) utilisation de médicaments contre le DT2 ; (ii) glycémie à jeun (≥ 8 heures) ≥ 126 mg/dL ; (iii) glycémie non à jeun (< 8 heures) ≥ 200 mg/dL ; ou (iv) test de tolérance au glucose par voie orale ≥ 200 mg/dL.
Acquisition IRM et correction d'image
Toutes les données IRM ont été acquises au centre de recherche MR du centre médical de l'Université de Pittsburgh à l'aide d'un scanner GE Signa 1.5 T (GE Medical Systems, Milwaukee, WI, version LX). Une séquence d'acquisition de rappel de gradient volumétrique volumétrique 3D (SPGR) a été obtenue pour l'ensemble du cerveau (TE / TR = 5/25 msec, angle de retournement = 40 °, NEX = 1, épaisseur de la tranche = 1.5 mm / espace entre les tranches de 0 mm) mis en parallèle à la ligne AC-PC avec une matrice d'acquisition dans le plan de 256 × 256 éléments d'image, un champ de vision de 250 × 250 mm et une taille de voxel dans le plan de 0.98 × 0.98 mm.
Pré-traitement d'image
Les images individuelles ont été recalées linéairement sur le modèle d'image cérébrale standard du Consortium international pour la cartographie cérébrale (ICBM-53) à l'aide d'un recalage à 9 paramètres afin de tenir compte des différences globales de position et d'échelle entre les individus, y compris la taille de la tête. Les images globalement alignées ont été rééchantillonnées dans un espace isotrope de 220 voxels le long de chaque axe (x, y et z) avec une taille de voxel finale de 1 mm³.
Morphométrie basée sur le tenseur (TBM) et cartes jacobiennes tridimensionnelles
La morphométrie basée sur les tenseurs (TBM) détecte les différences volumétriques locales en moyennant les taux de variation volumétrique (cartes jacobiennes), après alignement non linéaire des cartes de variation individuelles sur un modèle de déformation minimale (MDT). Un MDT spécifique à cette étude a été créé à partir des IRM de 40 sujets sains atteints du syndrome de CHS afin de permettre l'enregistrement automatique des images, de réduire les biais statistiques et d'améliorer potentiellement la détection d'effets statistiquement significatifs [ Hua et al., 2008 ; Kochunov et al., 2002 ; Lepore et al., 2007 ]. Toutes les IRM ont été alignées de manière non linéaire sur le modèle spécifique à l'étude afin qu'elles partagent un système de coordonnées commun, et le facteur d'expansion local de la transformation de déformation élastique 3D, le déterminant jacobien, a été tracé pour chaque sujet. Ces cartes jacobiennes 3D montrent les différences de volume relatives entre chaque individu et le modèle commun, et peuvent être utilisées pour illustrer les zones de réduction de volume structurel telles que l'atrophie de la substance grise et de la substance blanche. Le modèle CHS-MDT a été segmenté manuellement à l'aide du logiciel Brainsuite ( http://brainsuite.usc.edu/ ) par un anatomiste qualifié afin de générer des masques binaires couvrant le cerveau. Les corrélations entre l'IMC et les cartes jacobiennes ont été évaluées pour chaque voxel à l'aide du modèle linéaire général sur l'ensemble du cerveau.
Vue d'ensemble des analyses statistiques
Nous avons réalisé des tests statistiques bivariés à titre exploratoire afin de déterminer si l'obésité et l'une de ses complications bien connues, le diabète de type 2 (DT2), étaient associées à une atrophie de la substance grise (SG) et de la substance blanche (SB). Nous avons également procédé à cette analyse avec l'indice de glycémie à jeun (IGF), car une augmentation du taux d'insuline est un signe précoce de la pathologie du DT2 [ Ceska, 2007 ]. Nous avons ensuite appliqué des analyses de régression multiple pour identifier la variable expliquant la plus grande part de la variance dans notre échantillon. Enfin, nous avons utilisé les classifications cliniques courantes (IMC normal, surpoids et obésité) pour réaliser des analyses d'ANCOVA. L'objectif était d'exprimer nos résultats concernant l'IMC en des termes compréhensibles dans un contexte clinique.
Analyses statistiques bivariées
Dans une analyse exploratoire initiale, nous avons utilisé un modèle bivarié pour corréler les cartes jacobiennes, qui fournissent des informations sur l'atrophie tissulaire et l'expansion du LCR par rapport à un modèle standard, avec les variables prédictives potentielles IMC, FPI et DM2. Nous avons réalisé des tests distincts de corrélations négatives, positives et bilatérales. La significativité statistique de ces associations est rapportée à l'aide de valeurs p globales . Notre hypothèse portant sur l'atrophie de la substance grise et de la substance blanche, nous ne rapportons que les valeurs p des associations négatives (c.-à-d., basées sur un test unilatéral). Des tests de permutation (avec N = 10 000 randomisations) [ Edgington, 1995 ] ont été effectués pour corriger les comparaisons multiples. Nous avons calculé les valeurs p corrigées pour le profil global des effets, en déterminant la probabilité d'observer le volume statistique supraliminaire sous l'hypothèse nulle, c'est-à-dire par hasard, lorsque les covariables et les groupes étaient assignés aléatoirement (en fixant un seuil au niveau du voxel de p = 0.01). Les associations statistiquement significatives ont été projetées sous forme de cartes de valeurs p et de valeurs de coefficient de corrélation r sur le CHS-MDT à l'aide du visualiseur Shiva ( http://www.loni.ucla.edu/Software/Software_Detail.-jsp?software_id=12 ) et affichées avec des échelles standard.
Analyses statistiques par régression multiple
Après avoir appliqué une approche bivariée dans nos analyses exploratoires, nous avons ajusté un modèle statistique de régression multiple afin de mieux comprendre lesquelles de ces variables (IMC, FPI, DM2) expliquaient le mieux la variance des volumes cérébraux dans la cohorte. Nous avons analysé les cartes jacobiennes à l'aide du logiciel SPM2 ( Statistical Parametric Mapping , http://www.fil.ion.ucl.ac.uk/spm/ ), en intégrant l'IMC, le DM2, l'âge, le sexe et l'origine ethnique dans un même modèle linéaire général. L'influence du FPI a été testée séparément dans des modèles d'interaction avec l'IMC.
Afin de mieux comprendre la distribution des associations inverses entre l'IMC et la structure cérébrale chez les personnes obèses et de les replacer dans un contexte clinique, nous avons réalisé une série d'analyses de covariance (ANCOVA) intergroupes dans SPM2. Ces analyses portaient sur : (i) les groupes obèses versus les groupes à IMC normal ; (ii) les groupes en surpoids versus les groupes à IMC normal ; (iii) les groupes obèses versus les groupes en surpoids. Toutes les comparaisons intergroupes ont été ajustées sur l'âge, le sexe, l'origine ethnique et le diabète de type 2 (DM2). La correction pour comparaisons multiples a été effectuée à l'aide de la méthode du taux de fausses découvertes (FDR) [ Genovese et al., 2002 ], les résultats n'étant considérés comme significatifs que si le taux attendu de faux positifs dans la carte était inférieur à 5 %. Les valeurs t au niveau des voxels ont été converties en corrélations bisériales ponctuelles ( r ) comme mesure de la taille de l'effet, à l'aide du script cg_spmT2x.m de SPM2. Cette conversion a été appliquée à toutes les analyses afin de permettre la comparaison des tailles d'effet de tous les résultats à l'aide de la même mesure. Les valeurs r ont été projetées sur des sections orthogonales du modèle MNI standard à sujet unique [ Holmes et al., 1998 ] dans MRIcron ( http://www.sph.sc.edu/comd/- rorden/MRIcron/ ) à des fins d'affichage.
Résultats
Les caractéristiques démographiques des sujets sont présentées dans le tableau I , répartis en trois catégories d'IMC : poids normal, surpoids et obésité (IMC : 18.5–36.2) . Seuls l'IMC et les taux d'FPI différaient entre les groupes ; comme prévu, et par définition, les personnes en surpoids et obèses présentaient des taux d'IMC et d'FPI plus élevés que le groupe ayant un IMC normal ( p ≤ 0.001). Aucune corrélation n'a été observée entre le diabète de type 2 et les taux d'FPI ( r (64) = 0,01, p = 0,92). De plus, les sujets atteints de diabète de type 2 ne présentaient pas de taux d'FPI plus élevés que les sujets non diabétiques ( t (62) = −0,09, p = 0,92).
Analyses statistiques bivariées:
Confondateurs potentiels
Dans nos cartes TBM corrélant les variables confondantes potentielles à la structure cérébrale, l'âge croissant présentait une tendance à l'association avec des volumes cérébraux plus faibles dans cet échantillon, mais cette association n'était pas statistiquement significative ( p = 0.07, corrigé ; test de permutation). L'âge et l'IMC n'étaient pas significativement corrélés dans notre échantillon ( r (92) = −0.04, p = 0.90), de même que l'âge et les taux d'insuline ( r (64) = 0.06, p = 0.66) ou le diagnostic de diabète de type 2 ( r (92) = −0.05, p = 0.61). De plus, le génotype APOE4, qui augmente le risque de maladie d'Alzheimer sporadique, n'était pas lié à des altérations détectables de la structure cérébrale évaluées par TBM dans cet échantillon ( p = 0.39, test de permutation). Le niveau d'éducation, défini catégoriquement comme la poursuite d'études au-delà du baccalauréat, n'a pas non plus montré de corrélation statistiquement significative avec les mesures TBM de l'atrophie de la substance grise et de la substance blanche, ni négativement ( p = 92, test de permutation), ni positivement ( p = 12, test de permutation). De même, la présence d'hypertension (pression systolique/diastolique > 140/90 mmHg ou prise de médicaments antihypertenseurs) n'a pas non plus montré de corrélation négative statistiquement significative avec la structure cérébrale dans notre échantillon ( p = 33, test de permutation).
Test IMC - Calcul de votre index de masse corporelle
Un IMC plus élevé était significativement corrélé à des volumes de substance grise et de substance blanche plus faibles dans l'ensemble du cerveau ( p < 0.001, test de permutation). La figure 1a présente les coefficients de corrélation de l'association inverse entre l'IMC et la structure cérébrale projetée sur le modèle de déformation minimale spécifique au CHS (CHS-MDT). Les zones bleues représentent les régions de forte corrélation négative ; les valeurs varient généralement de -0.30 à 0.30. Les régions de corrélation positive, en rouge et jaune, n'étaient pas statistiquement significatives. Les zones de corrélation négative les plus fortes ( r ≤ −0.30) ont été observées dans le cortex orbitofrontal (flèche rouge à x = −9, y = 57, z = 29, r = −31), l’hippocampe (flèches dorées : à gauche à x = −31, y = −2, z = 25, r = −32 ; à droite à x = 32, y = 9, z = 18, r = −31) et les régions sous-corticales (astérisques blancs : à gauche à x = −28, y = −14, z = 1, r = −30 ; à droite à x = 29, y = −15, z = 1, r = −34), notamment le putamen, le globus pallidus et… Thalamus. Ces résultats suggèrent une atrophie chez les personnes présentant une masse grasse corporelle plus élevée. La figure 1b illustre la carte de signification (valeur p ) correspondante . Les couleurs plus foncées indiquent les zones où la valeur p est la plus faible.
FPI
Un FPI plus élevé était associé à des volumes cérébraux régionaux plus faibles ( p = 0.01, test de permutation) dans la substance grise et la substance blanche. Un FPI plus élevé était associé à une atrophie cérébrale au niveau des lobes frontaux, de l'hippocampe et du splénium du corps calleux. Ces résultats sont présentés dans les figures 2a et 2b . La figure 2a présente la carte des coefficients de corrélation, où un FPI plus élevé est corrélé à des volumes plus faibles dans le splénium du corps calleux (flèche rouge : x = −3, y = 12, z = −12, r = −27), le cortex orbitofrontal (flèche orange : x = −3, y = −39, z = 31, r = −33) et l’hippocampe (flèches dorées : à gauche à x = −24, y = −1, z = 24, r = −31 ; à droite à x = 31, y = 3, z = 21, r = −33). La figure 2b présente la carte des valeurs p correspondantes. Ces résultats suggèrent que des niveaux élevés d'insuline, un élément précoce de la pathologie du DM2, pourraient être liés à une atrophie cérébrale dans des régions du cerveau impliquées dans la fonction cognitive telles que le splénium du corps calleux (transfert interhémisphérique d'informations visuelles et autres informations cognitives), le cortex orbitofrontal (fonction exécutive) et l'hippocampe (apprentissage et mémoire).
Diabète sucré de type II
La DM2 était également associée à une atrophie cérébrale ( p < 0.001, test de permutation) dans l'analyse bivariée. Les participants diagnostiqués avec une DM2 présentaient des volumes réduits dans plusieurs régions cérébrales, notamment les lobes frontaux, le cortex préfrontal, le genou et le splénium du corps calleux, le gyrus cingulaire moyen, le lobule pariétal supérieur, les lobes occipitaux et le cervelet. Les noyaux gris centraux, incluant le noyau caudé, le putamen et le globus pallidus, étaient également atrophiés chez ces participants. Aucun de nos sujets atteints de DM2 n'avait d'antécédents d'AVC clinique ou d'infarctus cérébral identifiés par IRM. Les zones d'atrophie liées à la DM2 sont illustrées dans les figures 3a (carte des coefficients de corrélation) et 3b (carte des valeurs p). Cette figure montre que la DM2 est associée à des volumes plus faibles dans le splénium du corps calleux ( figure 3b , carte de signification, flèche noire, valeur r correspondante = −0,21 à x = −4, y = 14, z = −17), le genou du corps calleux ( figure 3b , flèche verte, valeur r correspondante = −0,17 à x = 4, y = −49, z = 1) et les lobes frontaux ( figure 3b , flèche rouge, valeur r correspondante = −0,24 à x = −7, y = −77, z = 7).
Analyses de régression multiple
Dans les modèles de régression multiple , l'IMC était la seule variable significativement associée à l'atrophie cérébrale de la substance grise et de la substance blanche ( FDR attendu < 5 %). Aucune association indépendante n'a été observée entre l'indice de masse corporelle (IMC), le diabète de type 2 (DT2), l'âge, le sexe ou l'origine ethnique et le degré d'atrophie cérébrale après ajustement pour l'IMC. La figure 4 illustre la corrélation inverse entre l'IMC et la structure cérébrale . Un IMC élevé était associé à des volumes de substance grise et de substance blanche plus faibles dans le cortex orbitofrontal (partie a, encadré bleu), le gyrus cingulaire antérieur (partie a, encadré bleu), le lobe temporal médian (partie b, flèches noires) et la substance blanche sous-corticale (partie c, astérisques noirs). L'ampleur de cette association était importante ( r ≥ 0.30). La figure supplémentaire 1 présente une représentation graphique des effets principaux de l'IMC. Cette représentation correspond à la pente de la droite de régression et indique le pourcentage de volume cérébral (en cm³) perdu pour chaque augmentation d'un écart-type de l'IMC après ajustement pour les autres variables du modèle. Dans une région restreinte du cortex orbitofrontal/cingulaire antérieur, par exemple, la couleur violette indique une perte de plus de 4 % du volume cérébral pour chaque augmentation d'un écart-type de l'IMC. Par conséquent, une personne appartenant aux 5 % supérieurs de l'IMC (soit deux écarts-types au-dessus de la moyenne) présenterait un déficit focal maximal de 8 % dans une zone telle que le cortex orbitofrontal. Les flèches et les astérisques identifient les zones anatomiques correspondantes entre la carte de corrélation et l'image bêta.
Nous n'avons détecté aucune association indépendante d'âge, de DM2, de sexe ou de race sur les volumes GM ou WM dans notre échantillon une fois que l'IMC a été comptabilisé. Les analyses d'interaction ont également montré que l'atrophie liée à l'IMC ne variait pas en fonction de l'une ou l'autre de ces variables. Une analyse séparée de l’interaction IMC par IPP (n = 64) a montré que les effets de l’IMC sur la structure du cerveau ne variaient pas en fonction de l’IPF. Pour mieux comprendre comment l’atrophie associée à l’IMC a été distribuée, nous avons également comparé les volumes d’OGM et de MW chez des personnes présentant des classifications diagnostiques discrètes 3, c’est-à-dire un IMC normal, un surpoids et une obésité.
Analyses ANCOVA entre groupes
Obésité versus IMC normal
En comparant les sujets obèses (IMC : 30+) à ceux ayant un IMC normal (IMC : 18.5–25), nous avons observé des volumes de substance grise (SG) et de substance blanche (SB) inférieurs ( FDR < 5 %) dans le groupe obèse, malgré la prise en compte de l’âge, du sexe, de l’origine ethnique et du diabète de type 2 (DT2). Cette atrophie est illustrée sur la figure 5 par une image r projetée sur le modèle MNI standard pour sujet unique, les zones rouges correspondant à une forte corrélation ( r > 0.50). Les personnes obèses présentaient des volumes de SG et de SB inférieurs dans les lobes frontaux, le gyrus cingulaire antérieur (partie a, flèche bleue), l’hippocampe (partie b, flèche noire) et les ganglions de la base (partie c, encadré vert). Ces cartes suggèrent que l’obésité est associée à une atrophie dans des régions cérébrales importantes pour les fonctions cognitives, telles que le gyrus cingulaire antérieur, impliqué dans l’attention et les fonctions exécutives.
Surpoids versus IMC normal
La figure 6 montre que les sujets en surpoids (IMC : 25–30) présentent des volumes cérébraux inférieurs à ceux des sujets ayant un IMC normal au niveau des noyaux gris centraux (partie a – flèche noire ; partie b – flèche rouge ; partie c – flèche bleue), de la corona radiata (partie b, encadré noir) et du lobe pariétal (partie c, flèche violette). Ces corrélations étaient généralement d’une ampleur plus faible (| r| = 0.30–0.40) que celles observées chez les sujets obèses ayant un IMC normal. Contrairement aux personnes obèses, le groupe en surpoids ne présentait pas d’atrophie dans les régions paralimbiques telles que le gyrus cingulaire antérieur et l’hippocampe. Aucune différence statistiquement significative n’a été observée au niveau de la substance grise et de la substance blanche entre les groupes obèses et en surpoids. Toutes les analyses ont été ajustées en fonction de l’âge, du sexe, de l’origine ethnique et du diabète de type 2.
Discussions
Nous présentons ici plusieurs résultats clés établissant un lien entre les déficits structurels cérébraux et l'obésité, un IMC élevé, l'indice de masse corporelle (IMC) et le diabète de type 2 (DT2) chez des personnes âgées cognitivement normales issues d'une cohorte communautaire. Premièrement, une masse grasse corporelle plus importante était fortement associée à des déficits de volume cérébral chez les sujets âgés cognitivement normaux, même après ajustement pour des facteurs de confusion potentiels tels que l'âge, le sexe et l'origine ethnique. Deuxièmement, l'IMC et le DT3 présentaient des associations inverses avec la structure cérébrale dans une analyse bivariée , mais ces corrélations n'étaient pas statistiquement significatives après ajustement pour l'IMC. Troisièmement, les corrélations négatives entre la masse grasse corporelle et la structure cérébrale étaient les plus fortes chez les personnes obèses, mais étaient également observées chez les personnes en surpoids. Bien que nous reconnaissions que les effets de l'obésité puissent être secondaires à un mauvais état de santé général, cette hypothèse est moins probable dans notre échantillon car : (i) les personnes en très mauvais état de santé ont moins de chances de survivre jusqu'à un âge avancé (moyenne : 77.3 ans) dans notre étude ; (ii) aucune corrélation n'a été détectée entre l'IMC et les taux de mortalité dans notre cohorte 10 ans après l'examen ( r (94) = 0.07, p = 0.47). et (iii) les trois groupes d’IMC ne présentaient pas de différences quant à leurs taux de maladies vasculaires augmentant la morbidité et la mortalité ( tableau I ). Par conséquent, même chez les personnes ayant des fonctions cognitives normales et atteignant un âge avancé, une adiposité corporelle plus élevée peut avoir des conséquences néfastes sur la structure cérébrale.
Notre observation d'une atrophie cérébrale associée à l'IMC chez les personnes âgées cognitivement normales est corroborée par des études menées sur des populations plus jeunes. Une étude réalisée auprès d'hommes japonais (âge moyen : 46.1 ans) a mis en évidence une réduction du volume de substance grise corrélée à l'augmentation de l'IMC au niveau des lobes temporaux médians, de l'hippocampe et du précunéus [ Taki et al., 2008 ]. Une autre étude (âge moyen : 32 ans) a montré une perte de volume de substance grise plus importante chez les personnes obèses au niveau de l'opercule frontal, du gyrus postcentral et du putamen [ Pannacciulli et al., 2006 ]. Une étude récente de spectroscopie par résonance magnétique a révélé des anomalies métaboliques dans la substance grise et la substance blanche du lobe frontal chez un groupe de jeunes personnes obèses (âge moyen : 41.7 ans) [ Gazdzinski et al., 2008 ].
La corrélation entre l'IMC et le volume cérébral est probablement indirecte ; il est donc important d'identifier les facteurs ou mécanismes susceptibles d'entraîner une réduction du volume cérébral et une obésité chez les mêmes sujets. Parmi les médiateurs les plus fréquemment proposés pour expliquer la relation entre une adiposité corporelle élevée et la structure cérébrale, on retrouve l'hypercortisolémie [ Lupien et al., 1998 ], la diminution de l'activité physique [ Colcombe et al., 2003 ], l'altération de la fonction respiratoire [ Guo et al., 2006 ], l'inflammation [ van Dijk et al., 2005 ], les troubles cardiovasculaires/l'hypertension/l'hyperlipidémie [ Breteler et al., 1994 ; Swan et al., 1998 ] et le diabète de type 2 [ den Heijer et al., 2003 ; Ferguson et al., 2003 ]. Les manifestations de déficits structurels cérébraux observées dans ces études étaient l'atrophie de l'hippocampe, la diminution du volume cortical et les hypersignaux de la substance blanche. Nous n'avons constaté aucune interaction entre l'IMC et le diabète de type 2 ; il est donc peu probable que les effets de l'IMC soient médiés par ce mécanisme dans notre échantillon. De plus, nos résultats concernant l'IMC sont restés inchangés après ajustement pour l'hypertension et les hypersignaux de la substance blanche, évalués selon les critères standardisés de l'étude CHS [ Dai et al., 2008 ; Yue et al., 1997 ]. Ces résultats pourraient refléter un biais de survie, les personnes présentant à la fois un IMC élevé et une maladie cérébrovasculaire cliniquement sévère ayant moins de chances d'atteindre la tranche d'âge de notre population d'étude (70-89 ans). Par ailleurs, nous ne pouvons exclure la possibilité que les liens entre l'IMC et l'atrophie cérébrale dans notre cohorte de personnes âgées soient plus directement médiés par l'un ou plusieurs des mécanismes mentionnés ci-dessus.
Ayant établi que l'IMC est associé à une atrophie cérébrale chez les personnes âgées, nous reconnaissons également l'existence de controverses dans la littérature concernant l'influence du sexe sur cette association. Un groupe de femmes suédoises âgées (70-84 ans) présentait une atrophie importante du lobe temporal à la tomodensitométrie [ Gustafson et al., 2004 ], tandis qu'une autre étude a mis en évidence une perte de volume cérébral associée à l'IMC chez les hommes japonais, mais pas chez les femmes [ Taki et al., 2008 ]. Afin de déterminer si les corrélations entre l'IMC et la structure cérébrale sont influencées par le sexe dans notre étude, nous avons modélisé une interaction IMC x sexe dans nos analyses de régression multiple et n'avons pas détecté de différence liée au sexe dans l'atrophie cérébrale associée à l'IMC. Notre étude suggère donc que les effets délétères d'une adiposité tissulaire élevée sur la structure cérébrale pourraient être indépendants du sexe ; toutefois, ce résultat mérite d'être approfondi dans de futures études.
Bien que les corrélations non ajustées entre l'indice de perfusion myocardique (FPI), le diabète de type 2 (DT2) et l'atrophie cérébrale ne soient pas statistiquement significatives dans les modèles ajustés, elles méritent d'être discutées compte tenu des nombreuses études portant sur les effets de l'hyperinsulinémie et du DT2 sur le cerveau. Aux stades précoces du DT2, l'insulinorésistance est associée à une hyperinsulinémie compensatoire [ Yaffe et al., 2004 ], et des taux élevés d'insuline sont associés à des troubles cognitifs, même chez les sujets qui ne développeront pas de DT2 [ van Oijen et al., 2008 ], ce qui suggère que l'hyperinsulinémie peut altérer la structure cérébrale. De multiples mécanismes sont impliqués dans l'impact de l'hyperinsulinémie sur la fonction et la structure cérébrales, notamment des effets vasoactifs sur les artères cérébrales, une neurotoxicité due à une élimination altérée de l'amyloïde du cerveau et la stimulation de la formation d'enchevêtrements neurofibrillaires par le biais du métabolisme des produits de glycation avancée [ Bian et al., 2004 ; Watson et al., 2003 ]. L'effet de l'insuline est observé ici dans plusieurs régions cérébrales impliquées dans les fonctions cognitives, telles que le cortex orbitofrontal et l'hippocampe. Ceci confirme l'hypothèse selon laquelle l'hyperinsulinémie affecte les structures cérébrales impliquées dans la cognition ; elle peut également entraîner un déclin cognitif subtil avant même que des symptômes cliniques clairs de démence ne soient détectables [ Kalmijn et al., 1995 ].
La DM2 était associée à une diminution du volume de la substance grise et de la substance blanche dans des régions cérébrales importantes pour la fonction cognitive, telles que les lobes frontaux et les grands faisceaux de substance blanche (splénium du corps calleux), suggérant une association généralisée entre la DM2 et l'atrophie cérébrale. La DM2 peut réduire le volume cérébral par un processus cérébrovasculaire progressif conduisant à des accidents vasculaires cérébraux et des infarctus [ Ikram et al., 2008 ; Knopman et al., 2005 ]. La DM2 peut induire des lésions par glycation avancée de protéines structurales clés, un déséquilibre entre la production et l'élimination des espèces réactives de l'oxygène, et des perturbations des voies métaboliques des hexosamines et des polyols, entraînant un épaississement des membranes basales des capillaires cérébraux [ Arvanitakis et al., 2006 ]. Ces modifications microvasculaires, fréquemment associées à d'autres conséquences de l'obésité comme l'hypertension, peuvent entraîner une ischémie subclinique chronique, une altération de la consommation d'énergie neuronale et une atrophie dans des régions cérébrales à la vascularisation particulièrement fragile, telles que les artères lenticulostriées des noyaux gris centraux [ Breteler et al., 1994 ]. Les anomalies des noyaux gris centraux observées lors des analyses TBM peuvent également être mises en évidence par une sensibilité relativement faible de la TBM aux variations de volume de la surface corticale, due à la régularité des champs de déformation et aux effets de volume partiel qui en résultent [Hua et al., 2009 ; Leow et al., 2009 ]. Nos résultats bivariés concernant la DM2 concordent avec des études antérieures montrant que la substance grise et la substance blanche sont affectées dans la DM2 [ Korf et al., 2007 ]. Tiehuis et al., 2008 ] et avec des études FDG-PET qui ont montré un hypométabolisme dans les régions d'association frontales, temporales et pariétales, et le gyrus cingulaire postérieur chez des sujets cognitivement normaux présentant une hyperglycémie légère [ Kawasaki et al., 2008 ].
L'association avec le DM2 n'a pas résisté aux modèles de régression multiple ajustés , ce qui pourrait être dû au faible nombre de sujets atteints de DM2 dans l'étude (n = 11), lui-même potentiellement lié à un biais de survie. En effet, de nombreuses personnes atteintes de DM2 n'ont peut-être pas vécu assez longtemps pour bénéficier d'un examen d'imagerie dans le cadre de l'étude CHS. Ce biais pourrait expliquer le manque de puissance statistique des modèles de régression multiple et l'absence d'interaction statistiquement significative entre l'IMC et le DM2. Ce problème pourrait être résolu dans de futures études portant sur un plus grand nombre de personnes âgées atteintes de DM2 et présentant des fonctions cognitives normales. De tels travaux pourraient mettre en lumière un possible rôle de médiation du DM2 dans l'obésité et l'atrophie cérébrale. Bien qu'il soit tentant de supposer que les personnes obèses et en surpoids présentent une pathologie DM2 infraclinique précoce (comme en témoigne leur FPI plus élevé) et que cela influence la relation entre l'IMC et l'atrophie cérébrale, des études ultérieures devront le confirmer, car nous n'avons observé aucune interaction statistiquement significative entre l'IMC et le DM2 ou le FPI.
Nos résultats, pris dans le cadre d'études antérieures, suggèrent que les personnes âgées présentant une adiposité élevée présentent un risque accru d'atrophie cérébrale et par conséquent de démence. Même nos sujets âgés, qui étaient en très bonne santé et dont la stabilité cognitive était confirmée pendant au moins 5 années après le balayage initial, étaient atteints d’une atrophie cérébrale associée à l’obésité. Nos résultats suggèrent que les individus peuvent avoir une plus grande étendue d'atrophie cérébrale due à l'obésité ou à des facteurs qui favorisent l'obésité et que cette atrophie peut, à son tour, les prédisposer à des troubles cognitifs futurs et à la démence. Les implications de ce cycle incluent: (i) une morbidité / mortalité amplifiée chez les personnes âgées; (ii) des coûts de santé plus élevés dus à la démence liée à l'obésité; et (iii) des charges émotionnelles et autres non financières pour les gardiens et les prestataires de soins de santé. Les associations d'obésité avec une atrophie cérébrale et un risque de démence représentent donc un défi potentiel pour la santé publique.
Cette étude a utilisé des méthodes de neuro-imagerie pour explorer les effets d'un IMC élevé, de l'insuline et du diabète de type 2 chez une cohorte de personnes âgées vivant en communauté et dont les fonctions cognitives sont restées normales pendant les cinq années suivant l'examen. Ces résultats sont donc plus susceptibles de refléter les changements cérébraux dans la population âgée en général, car ils évitent les biais de recrutement des études qui recrutent des sujets dans des cliniques spécialisées. La morphométrie basée sur les tenseurs (TBM) offre une cartographie haute résolution des différences anatomiques, avec une excellente sensibilité aux différences structurelles systématiques du cerveau, et ne présente pas le biais de sélection des tracés de régions d'intérêt (ROI) qui n'examinent qu'une partie du cerveau. Nous avons utilisé la TBM en raison de son efficacité pour analyser les différences volumétriques entre les groupes dans l'ensemble du cerveau. Dans d'autres types d'études basées sur les voxels, comme la morphométrie basée sur les voxels [ Ashburner et Friston, 2000 ], la question se pose parfois de savoir si les résultats peuvent être attribuables à un recalage imparfait. Cette question se pose car, en VBM, les cartes lissées de la matière grise classifiée sont automatiquement alignées entre les sujets et lissées, puis des inférences statistiques concernant les différences entre les groupes sont effectuées par soustraction voxel par voxel des images moyennées par groupe. De ce fait, il est possible qu'une différence détectée à un emplacement donné soit due à un recalage imparfait [ Thacker et al., 2004 ].
Cependant, dans TBM, les signaux analysés ne reposent que sur les enregistrements des images et non sur les classifications alignées de la matière grise. Il n’est donc pas nécessaire que la matière grise soit parfaitement enregistrée d’un sujet à l’autre, car la densité de la matière grise n’est pas analysée à chaque stéréotaxie. emplacement. En tant que tels, les conclusions faussement positives dues aux différences systématiques de groupe dans les erreurs d'enregistrement sont moins probables. Même dans ce cas, il peut exister des conclusions faussement négatives, car le pouvoir de détecter les différences morphométriques dépend de l'échelle à laquelle les données anatomiques peuvent être comparées par l'algorithme de déformation. Les différences morphométriques à plus petite échelle (par exemple, dans l'épaisseur de l'hippocampe ou du cortical) peuvent être mieux détectées à l'aide d'autres méthodes modélisant explicitement ces structures. Cependant, nous avons préféré utiliser TBM par rapport à la mise en correspondance du motif cortical, car TBM est capable de traiter un plus grand nombre de sujets plus rapidement et nécessite moins de mémoire de calcul [Xue et al., 2008]. Le TBM est donc moins vulnérable au biais d'enregistrement que le VBM et plus efficace pour analyser un plus grand nombre de sujets que la modélisation de la surface corticale et la mise en correspondance du motif cortical.
Nos résultats sont limités par la nature transversale de l'étude, bien qu'un suivi longitudinal ait permis d'orienter la sélection des sujets afin de minimiser les biais liés à une neurodégénérescence précoce due à la maladie d'Alzheimer ou à d'autres démences. Notre approche de régression multiple a pris en compte les effets potentiellement confondants de l'âge, du sexe, de l'origine ethnique et du DM2. Nous n'avons pas inclus le génotype APOE4 dans ce modèle, car cette variable n'a montré aucune relation statistiquement significative dans l'analyse bivariée ( p = 0.39, test de permutation).
Avec un nombre croissant de personnes devenant à la fois obèses et âgées, une compréhension détaillée des anomalies structurelles du cerveau dans ce groupe est essentielle. Des études comme celle-ci suggèrent pourquoi ces personnes pourraient avoir un risque accru de démence. Même les personnes âgées qui sont restées cognitivement normales longtemps après leur IRM présentaient une atrophie associée à un IMC dans les zones du cerveau ciblées par la neurodégénérescence: hippocampe, lobes frontaux et thalamus. Ces personnes peuvent bénéficier d'interventions visant à réduire la graisse dans les tissus corporels et à bénéficier d'une meilleure santé cérébrale au cours du vieillissement.
Remerciements
Le développement de l'algorithme pour cette étude a été financé par le NIA, le NIBIB et le NCRR (subventions AG016570, EB01651 et RR019771 attribuées à PT). Cette étude a également bénéficié du soutien financier du National Institute of Aging (subventions AG 20098 et AG05133 attribuées à OLL et AG15928 attribuées à LHK) et d'une bourse prédoctorale de l'American Heart Association (bourse 0815465D attribuée à CAR). La liste complète des chercheurs et des institutions participant à l'étude CHS est disponible sur www.chs-nhlbi.org . CAR tient à remercier le Dr William E. Klunk pour son mentorat et son soutien.
Références
- QUI L'obésité et l'embonpoint. Organisation mondiale de la santé; 2009. http://www.who.int/dietphysicalactivity/publications/facts/obesity/en/. Consulté en avril 19, 2009.
- Apostolova LG, RA Dutton, ID Dinov, KM Hayashi, Toga AW, Cummings JL, PM Thompson. Conversion de la déficience cognitive légère en maladie d'Alzheimer prédite par les cartes d'atrophie de l'hippocampe. Arch Neurol. 2006;63(5): 693-9. [PubMed]
- Arvanitakis Z, Juge Schneider, Wilson RS, Li Y, Arnold SE, Wang Z et DA Bennett. Le diabète est lié à l'infarctus cérébral mais pas à la pathologie de la MA chez les personnes âgées. Neurology. 2006;67(11): 1960-5. [PubMed]
- Ashburner J, KJ Friston. Morphométrie à base de Voxel - les méthodes. Neuroimage. 2000;11: 805-21. [PubMed]
- Bian L, Yang JD, Guo TW, Sun Y, Duan SO, Chen WY, Pan YX, Yeng GY, He L. Enzyme de dégradation de l'insuline et maladie d'Alzheimer. Neurology. 2004;63: 241-245. [PubMed]
- Braak H, Braak E. Stade neuropathologique des modifications liées à la maladie d'Alzheimer. Acta Neuropathol. 1991;82: 239-259. [PubMed]
- JS Brach, JB Talkowski, ES Strotmeyer, Newman AB. Diabète sucré et dysfonctionnement de la démarche: facteurs explicatifs possibles. Phys Ther. 2008
- Braskie MN, Klunder AD, Hayashi KM, Protas H, Kepe V, Miller KJ, Huang SC, Barrio JR, Ercoli LM, Siddarth P, et al. Imagerie et cognition des plaques et enchevêtrements dans le vieillissement normal et la maladie d'Alzheimer. Neurobiol Vieillissement. 2008
- Breteler MM, JC van Swieten, ML Bots, DE Grobbee, JJ Claus, JH van den Hout, F van Harskamp, Tanghe HL, PT Jong, van Gijn, et al. Lésions cérébrales, facteurs de risque vasculaires et fonction cognitive dans une étude de population: l’étude de Rotterdam. Neurology. 1994;44(7): 1246-52. [PubMed]
- Callen DJA, SE noir, Gao F, CB Caldwell, JP Szalai. Au-delà de l'hippocampe. La volumétrie par IRM confirme l'atrophie généralisée des limbiques dans la MA. Neurology. 2001;57: 1669-1674. [PubMed]
- Ceska R. Implications cliniques du syndrome métabolique. Diab Vasc Dis Res. 2007;4(Supplément 3): S2 – 4. [PubMed]
- JJ Claus, MM Breteler, D hasan, EP Krenning, Bots ML, Grobbee DE, van Swieten JC, van Harskamp, Hofman A., facteurs de risque vasculaire, athérosclérose, lésions de la substance blanche cérébrale et perfusion cérébrale dans une étude de population. Eur J Nucl Med. 1996;23(6): 675-682. [PubMed]
- Colcombe SJ, Erickson KI, Raz N, Webb AG, Cohen NJ, McAuley E, Kramer AF. La capacité aérobique réduit la perte de tissu cérébral chez les humains vieillissants. J Gerontol Une Biol Sci Med Sci. 2003;58(2): 176-80. [PubMed]
- Dai W, Lopez OL, Carmichael OT, Becker JT, Kuller LH, Gach HM. Débit sanguin cérébral régional anormal chez des sujets âgés normalement atteints d’hypertension. Accident vasculaire cérébral. 2008;39(2): 349-354. [Article gratuit PMC] [PubMed]
- DeKosky ST, Mathis CA, Prix JC, Lopresti BJ, Meltzer CC, Zioko SK, Hoge JA, Tsopelas N, Klunk WE. Études d'imagerie amyloïde humaine avec le composé B de Pittsburgh dans le traitement d'une déficience cognitive légère (MCI): la MCI est-elle la période critique du dépôt de la plaque amyloïde? Neurology. 2006
- den Heijer T, SE Vermeer, EJ van Dijk, ND de Prins, PJ Koudstaal, Hofman A, Breteler MM. Diabète de type 2 et atrophie des structures du lobe temporal médian en IRM cérébrale. Diabetologia. 2003;46(12): 1604-10. [PubMed]
- Edgington ES. Tests de randomisation. 3rd Edition Marcel Dekker; New York: 1995.
- Elias MF, Elias PK, Sullivan LM, Wolf PA, D'Agostino RB. Obésité, diabète et déficit cognitif: The Framingham Heart Study. Neurobiol Vieillissement. 2005;26(Suppl 1): 11–6. [PubMed]
- Ferguson SC, Blane A, Perros P, RJ McCrimmon, Meilleur JJ, Wardlaw J, Deary IJ, Frier BM. Capacité cognitive et structure cérébrale dans le diabète de type 1: relation avec la microangiopathie et précédant l'hypoglycémie sévère. Diabète. 2003;52(1): 149-56. [PubMed]
- Fried LP, Borhani NO, Enright P, CD Furberg, Gardin JM, RA Kronmal, Kuller LH, Manolio TA, Mittelmark MB, Newman A, et al. Étude sur la santé cardiovasculaire: conception et justification. Ann Epidemiol. 1991;1(3): 263-276. [PubMed]
- Gazdzinski S, J Kornak, MW Weiner, DJ Meyerhoff. Indice de masse corporelle et marqueurs de résonance magnétique de l'intégrité cérébrale chez l'adulte. Ann Neurol. 2008;63(5): 652-7. [Article gratuit PMC] [PubMed]
- CR génois, Lazar NA, Nichols TE. Seuil des cartes statistiques en neuro-imagerie fonctionnelle en utilisant le taux de fausse découverte. Neuroimage. 2002;15(4): 870-878. [PubMed]
- Guo X, Pantoni L, Simoni M, Gustafson D, Bengtsson C, Palmertz B, Skoog I. Fonction respiratoire de la quarantaine liée aux lésions de la substance blanche et aux infarctus lacunaires à la fin de la vie: étude prospective sur la population des femmes à Göteborg, Suède. Accident vasculaire cérébral. 2006;37(7): 1658-62. [PubMed]
- Gustafson D, Lissner L, Bengtsson C, Bjorkelund C, Skoog I. Un suivi de l'indice de masse corporelle et de l'atrophie cérébrale pendant l'année 24. Neurology. 2004;63(10): 1876-81. [PubMed]
- Le juge en chef Holmes, Hoge R, Collins L, R Woods, Toga AW, Evans AC. Amélioration des images IRM utilisant l'enregistrement pour la moyenne du signal. J Comput Aider Tomogr. 1998;22(2): 324-33. [PubMed]
- Hua X, Leow AD, Parikshak N, Lee S, Chiang MC, Toga AW, Jack CR, Jr., Weiner MW, Thompson PM. Morphométrie basée sur les tenseurs comme biomarqueur de neuroimagerie pour la maladie d'Alzheimer: une étude IRM de 676 AD, MCI et sujets normaux. Neuroimage. 2008
- MA Ikram, HA Vrooman, MW Vernooij, F de van der Lijn, A de Hofman, A de van der Lugt, WJ de Niessen et MM. Breteler. Volume de tissu cérébral dans la population âgée en général. L'étude de numérisation de Rotterdam. Neurobiol Vieillissement. 2008;29(6): 882-90. [PubMed]
- Irie F, Fitzpatrick AL, OL Lopez, Kuller LH, Peila R, Newman AB et Launer LJ. Risque accru de maladie d'Alzheimer chez les personnes atteintes de diabète de type 2 et d'APOE epsilon4: étude sur la cognition de la santé cardiovasculaire. Arch Neurol. 2008;65(1): 89-93. [PubMed]
- Kalmijn S, Fesken EM, Launer LJ, Stignen T, Kromhout D. Intolérance au glucose, hyperinsulinémie et fonction cognitive dans une population générale d'hommes âgés. Diabetologica. 1995;38: 1096-1102.
- Kawasaki K, K Ishii, Y Saito, Oda K, Kimura Y, Ishiwata K. Influence de l'hyperglycémie légère sur les schémas de distribution cérébrale des FDG calculés par cartographie statistique paramétrique. Ann Nucl Med. 2008;22(3): 191-200. [PubMed]
- Knopman DS, TH Mosley, DJ Catellier, Sharrett AR. Facteurs de risque cardiovasculaires et atrophie cérébrale dans une cohorte d'âge moyen. Neurology. 2005;65: 876-881. [PubMed]
- Kochunov P, J Lancaster, P Thompson, Toga AW, P Brewer, J Hardies, Fox P. Un cerveau cible individuel optimisé dans le système de coordonnées de Talairach. Neuroimage. 2002;17(2): 922-7. [PubMed]
- Korf ES, CE van de Straaten, FE de Leeuw, WM van der Flier, F Barkhof, L Pantoni, Basile AM, D Inzitari, T Erkinjuntti, LO, et al. Diabète sucré, hypertension et atrophie du lobe temporal médian: étude LADIS. Diabet Med. 2007;24(2): 166-71. [PubMed]
- Leibson CL, Rocca WA, Hanson VA. Risque de démence chez les personnes atteintes de diabète sucré: une étude de cohorte basée sur la population. Suis J Epidemiol. 1997;145: 301-308. [PubMed]
- Leow AD, Yanovsky I, Parikshak N, Hua X, Lee S, Toga AW, Jack CR, Jr., Bernstein MA, Britson PJ, Gunter JL, et al. Initiative de neuroimagerie de la maladie d'Alzheimer: une étude de suivi d'un an utilisant une morphométrie tenseur corrélant les taux dégénératifs, les biomarqueurs et la cognition. Neuroimage. 2009;45(3): 645-55. [Article gratuit PMC] [PubMed]
- Lepore N, Brun CA, Pennec X, Chou YY, Lopez OL, HJ A, Becker JT, Toga AW, Thompson PM. Gabarit moyen pour la morphométrie à base de tenseurs utilisant des tenseurs de déformation. Dans: Ayavhe N, Ourselin S, Maeder A, éditeurs. MICCAI2007, Partie II, LNCS 4792. Springer-Verlag; Berlin Heidelberg: 2007. pp. 826 – 833.
- Lopez OL, Jagust WJ, C Dulberg, Becker JT, ST DeKosky, Fitzpatrick A, Breitner J, CG Lyketsos, Jones B, C Kawas, et al. Facteurs de risque d'immunisation cognitive légère dans l'étude sur la santé cardiovasculaire Étude de la cognition: partie 2. Arch Neurol. 2003a;60: 1394-1399. [PubMed]
- Lopez OL, Kuller LH, Becker JT, Jagust JW, Fitzpatrick A, Carlson M, Breimer J, Lyketsos C. Classification de la démence vasculaire dans l'étude sur la cognition de la santé cardiovasculaire. Neurobiology of Aging. 2004;25(Suppl 1): S483.
- Lopez OL, Kuller LH, Fitzpatrick A, Ives D, Becker JT, Beauchamp N. Évaluations de démence dans l'étude de cognition de la santé cardiovasculaire. Neuroépidémiologie. 2003b;22(1): 1-12. [PubMed]
- Lupien SJ, M. de Leon, de Santi S., Convit A, C. Tarsis, PN Nair, M. Thakur, BS McEwen, Hauger RL, Meaney MJ. Les taux de cortisol au cours du vieillissement humain prédisent une atrophie de l'hippocampe et des déficits de la mémoire. Nature Neuroscience. 1998;1(1): 69-73. [voir le commentaire] [l'erratum apparaît dans Nat Neurosci 1998 août; 1 (4): 329]
- Mankovsky BN, Ziegler D. Stroke chez les patients atteints de diabète sucré. Diabetes Metab Res Rev. 2004;20: 268-287. [PubMed]
- Morra JH, Tu Z, Apostolova LG, Green AE, Avedissian C, Madsen SK, Parikshak N, Toga AW, Jack CR, Jr, Schuff N, Weiner MW, Thompson PM. Cartographie automatisée de l'atrophie de l'hippocampe dans les données IRM répétées à 1 an de 490 sujets atteints de la maladie d'Alzheimer, de troubles cognitifs légers et de témoins âgés. Neuroimage. 2009 Mar;45(Supplément 1): S3 – 15. [Article gratuit PMC] [PubMed]
- McNeill AM, Katz R, juge en chef Girman, Rosamond WD, Wagenknecht LE, Barzilay JI, Tracy RP, Savage PJ, Jackson SA. Syndrome métabolique et maladie cardiovasculaire chez les personnes âgées: étude sur la santé cardiovasculaire. J Am Geriatr Soc. 2006;54(9): 1317-24. [PubMed]
- Pannacciulli N, A Del Parigi, K Chen, Le DS, EM Reiman, PA Tataranni. Anomalies cérébrales dans l'obésité humaine: une étude morphométrique à base de voxel. Neuroimage. 2006;31(4): 1419-25. [PubMed]
- Swan GE, DeCarli C, Miller BL, Reed T, Wolf PA, Jack LM, Carmelli D. Association de la pression artérielle à l'âge adulte au déclin cognitif tardif et à la morphologie du cerveau. Neurology. 1998;51(4): 986-93. [PubMed]
- Taki Y, S Kinomura, K Sato, K Inoue, R Goto, K Okada, S Uchida, R Kawashima et Fukuda H. Relation entre l'indice de masse corporelle et le volume de matière grise chez des individus sains 1,428. L'obésité (Silver Spring) 2008;16(1): 119-24. [PubMed]
- Thompson PM, Giedd JN, RP Woods, MacDonald D, Evans AC, Toga AW. Les modèles de croissance dans le cerveau en développement ont été détectés à l’aide de cartes de tenseurs continuum-mécaniseurs. Nature. 2000;404(6774): 190-193. [PubMed]
- Thacker NA, Williamson DC, analyse du volume tissulaire basée sur Pokric M. Voxel à partir de données IRM. Br J Radiol. 2004;77(Spec n ° 2): S114 – 25. [PubMed]
- Tiehuis AM, Y van der Graaf, Visseren FL, Vincken KL, Biessels GJ, Appelman AP, Kappelle LJ, Mali WP. Le diabète augmente l'atrophie et les lésions vasculaires à l'IRM cérébrale chez les patients présentant une maladie artérielle symptomatique. Accident vasculaire cérébral. 2008;39(5): 1600-3. [PubMed]
- van Dijk EJ, ND de Prins, SE de Vermeer, HA de Vrooman, A de Hofman, PJ de Koudstaal, MM de Breteler. Protéine C-réactive et maladie cérébrale des petits vaisseaux: étude de Rotterdam Scan. Circulation. 2005;112(6): 900-5. [PubMed]
- van Oijen M, Okereke OI, Kang JH, Pollak, MN, Hu FB, Hankinson SE, Grodstein F. Niveaux d'insuline à jeun et déclin cognitif chez les femmes âgées sans diabète. Neuroépidémiologie. 2008;30(3): 174-9. [Article gratuit PMC] [PubMed]
- Watson GS, ER Peskind, Asthana S, Purganan K, Attendre C, Chapman D, Schwartz MW, Plymate S, Craft S. L’insuline augmente les niveaux de CSF A-Beta-42 chez les personnes âgées normales. Neurology. 2003;60: 1899-1903. [PubMed]
- Wolf PA, Beiser A, Elias MF, Au R, Vasan RS, Seshadri S. Relation de l'obésité à la fonction cognitive: importance de l'obésité centrale et influence synergique de l'hypertension concomitante. L'étude de Framingham Heart. Curr Alzheimer Res. 2007;4(2): 111-6. [PubMed]
- Yaffe K, Blackwell T, Kanaya AM, Davidowitz N, E Barrtett-Connor, Krueger K. Diabète, insuffisance de la glycémie à jeun et développement d'une déficience cognitive chez les femmes âgées. Neurology. 2004;63: 658-663. [PubMed]
- Yue NC, Arnold AM, Longstreth WT, Elster AD, Jungreis CA, O'Leary DH, Poirier VC, Bryan RN. Modifications du sulcal, du ventricule et de la substance blanche à l'imagerie IRM dans le cerveau vieillissant: données de l'étude sur la santé cardiovasculaire Radiologie. 1997;202: 33-39. [PubMed]




